AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

우리가 생물학을 이해하기 위해 인공지능을 사용할 때, 대부분의 경우 우리는 그것에게 앞을 내다보라고 요구합니다. 컴퓨터에 환자의 현재 건강 상태나 도시를 통해 확산되는 바이러스의 스냅샷을 입력하고, 기계에게 다음에 어떤 일이 일어날지 예측하도록 요청하는 것입니다. 그 사람의 혈당이 내일 높아질 것인가? 다음 달에 감염자 수가 증가할 것인가? 이러한 미래 지향적 접근 방식은 현대 의학과 공중 보건의 표준이 되었습니다. 이는 위험을 예측하는 강력한 방법이지만, 한 가지 중요한 질문을 남겨둡니다. 의사나 정책 입안자에게는 단순히 무엇이 일어날 것인가만을 아는 것이 드문 일입니다. 그들은 무언가를 다르게 만들기 위해 무엇을 해야 하는가를 알아야 합니다. 시스템을 특정하고 원하는 결과로 이동시키기 위해 정확히 얼마만큼의 인슐린을 투여해야 하는지, 혹은 얼마나 엄격한 봉쇄 조치를 취해야 하는지를 알아야 합니다.

이것은 강물이 흐르는 것을 관찰하는 것과, 그 흐름을 바꾸기 위해 어떤 바위를 옮겨야 할지 아는 것의 차이입니다. 수십 년 동안 과학자들은 '디지털 트윈'—실제 삶을 매우 유사하게 모방하여 다양한 치료법으로 테스트할 수 있는 환자나 인구의 가상 복제본—을 구축하려고 노력해 왔습니다. 그러나 이러한 디지털 트윈은 종종 평균치에 기반하여 구축되기 때문에 실패하곤 합니다. 그것들은 전형적인 사람이 어떻게 반응하는지는 설명하지만, 특정 개인이 특정 행동에 어떻게 반응하는지는 설명하지 못합니다. 만약 모델이 학습 데이터에서 특정 약물을 본 적이 없다면, 그 모델이 자신감 넘치는 답변을 내놓더라도 해당 약물이 특정 환자에게 어떤 작용을 할지 신뢰성 있게 말해줄 수 없습니다. 그 결과, 예측은 잘할지 몰라도 안전하게 행동을 안내할 수는 없는 시스템이 만들어집니다.

모리스 안토니 유잉(Maurice Antony Ewing)의 새로운 연구는 이러한 컴퓨터 모델을 생각하는 다른 방식을 제안합니다. 저자는 학습된 AI 모델을 '생물학적 프리미티브(biological primitive)'로 취급합니다. 이는 더 단순한 개념입니다. 모델은 한 사람의 전체 역사를 복제하는 것이 아니라, 과거에 행해진 일들에 대해 시스템이 실제로 어떻게 반응했는지에 대한 학습된 기록입니다. 만약 데이터가 특정 양의 운동이 집단 내에서 혈당을 낮추었다는 것을 보여준다면, 모델은 그 구체적인 관계를 학습합니다. 연구자는 그런 다음 모델을 거꾸로 돌립니다. "내가 이것을 하면 어떻게 될까?"라고 묻는 대신, "그 목표에 도달하려면 어떤 양의 행동이 필요한가?"라고 모델에게 묻습니다. '타겟 인버전(targeted inversion, 표적 역전)'이라고 불리는 이 과정은, 실제 데이터가 뒷받침하는 레버만을 사용하여 시스템을 목표 상태로 이동시키는 데 필요한 정밀한 개입 수준을 탐색합니다.

이 아이디어가 실제 세계에서 작동하는지 테스트하기 위해, 연구는 이 방법을 세 가지 매우 다른 생물학적 시스템에 적용했습니다: 제1형 당뇨병 환자의 개인 생리학, 코로나19 팬데믹의 인구 역학, 그리고 뇌 속 뉴런의 미세한 반응입니다. 연구진은 먼저 각 분야에서 미래 상태를 예측하는 표준 AI 모델을 학습시켰습니다. 당뇨병 데이터의 경우, 모델은 과거의 인슐린, 음식, 활동량을 바탕으로 미래의 혈당 수치를 예측하는 법을 배웠습니다. 팬데믹 데이터의 경우, 봉쇄 조치나 검사율과 같은 정책을 바탕으로 미래의 확진자 수를 예측하는 법을 배웠습니다. 뇌 데이터의 경우, 특정 시각 자극에 반응하여 뉴런이 어떻게 발화하는지를 학습했습니다. 이러한 순방향 모델들은 매우 정확했으며, 이는 모델이 데이터의 기저에 깔린 패턴을 학습했음을 증명했습니다.

모델 학습이 완료되자, 연구진은 모델이 역방향으로 작동하도록 요청했습니다. 그들은 목표를 설정했습니다. 예를 들어, 당뇨병 환자를 위한 안전한 혈당 수치나 도시의 감염자 수 감소와 같은 목표를 설정하고, 그곳에 도합하기 위한 구체적인 행동 조합을 모델에게 찾도록 했습니다. 400건의 고위험 사례를 포함한 당뇨병 그룹에서 이 방법은 놀라울 정도로 효과적이었습니다. 연구진이 모델에게 단독으로 적절한 신체 활동량을 찾아달라고 요청했을 때, 현재 상태와 목표 사이의 격차를 76.5% 줄였습니다. 단독으로 적절한 인슐린 양을 찾아달라고 했을 때는 격차가 60.6% 줄어들었습니다. 모델이 활동과 인슐린을 결면하되, 제안을 안전한 임상적 한계 내로 유지하도록 허용했을 때, 격차는 87.8%까지 줄어들었습니다. 만약 이러한 안전 한계를 제거하고 모델이 자유롭게 탐색하도록 두었다면, 모델은 격차를 96.4% 줄이는 해결책을 찾아냈습니다. 거의 모든 사례에서 모델은 시스템을 목표에 가깝게 이동시킬 방법을 찾아냈습니다.

결과는 더 큰 규모인 코로나19 팬데믹에 적용했을 때도 다소 완만하긴 했지만 일관성을 보였습니다. 여기서 목표는 미래의 확진자 부담을 줄이는 것이었습니다. 모델이 적절한 봉쇄 조치 수준을 탐색했을 때, 예상되는 격차를 17.9% 줄였습니다. 검사는 5.8%, 백신 접종은 3.8%의 효과를 보였습니다. 그러나 모델이 이 세 가지 전략을 결합했을 때, 격차는 25.1% 줄어들었습니다. 이 차이는 핵심적인 발견을 강조합니다. 즉, 단일 행동도 도움이 될 수 있지만, 팬데믹의 복잡한 역학은 여러 요인이 함께 작용하는 조합에 의해 형성된다는 점입니다. 이 방법은 인구 수준의 문제에는 단 하나의 은탄환(silver bullet)보다는 혼합된 개입이 필요함을 보여주었습니다.

연구에서 가장 놀라운 부분 중은 아마도 가능한 모든 조합을 뒤지지 않고도 얼마나 많은 성과를 거둘 수 있었는가 하는 점일 것입니다. 현실 세계에는 수천 가지의 잠재적 치료법이나 정책이 존재하지만, 그중 상당수는 가용한 데이터에 의해 뒷받침되지 않습니다. 연구는 모델이 타당하다고 알려져 있고 실제로 데이터에 기록되어 있는 소수의 선별된 개입 목록만을 검색하도록 제한하는 '컴팩트(compact)' 접근 방식을 테스트했습니다. 당뇨병 사례의 경우, 이 컴팩트한 목록은 목표를 향한 가능한 개선 효과의 79.0%를 회복했습니다. 전체적인 무제한 탐색은 단 2.2%의 추가적인 개선만을 더했습니다. 팬데믹 데이터의 경우, 컴팩트한 목록이 개선 효과의 85.9%를 회복했으며, 전체 탐색은 단 0.5%만을 더 추가했습니다. 이는 우리가 효과적인 해결책을 찾기 위해 무모하게 추측하거나 수백만 개의 불가능한 옵션을 뒤질 필요가 없음을 시사합니다. 우리는 단지 존재하는 것으로 알려져 있고 데이터가 있는 행동들을 살펴보기만 하면 됩니다.

또한 이 연구는 이 접근 방식의 중요한 안전 기능을 입증했습니다. 모델은 자신이 지원할 수 없는 해결책을 스스로 만들어내기를 거부합니다. 당뇨병 그룹에서 연구진은 메트포르민(metformin)이나 GLP-1 약물과 같은 특정 약물을 포함하는 해결책을 찾아달라고 요청해 보았습니다. 해당 환자들의 원래 데이터에 이러한 특정 약물에 대한 기록이 없었기 때문에, 모델은 이를 단순히 건너뛰었습니다. 모델은 결과를 환각(hallucination)하거나 그런 일이 일어날 것이라고 아는 척하지 않았습니다. 모델은 해당 레버를 타겟팅할 수 없음을 나타내는 평이한 답변을 반환했습니다. 이는 데이터에 대한 정보가 없음에도 불구하고 자신 있게 치료법을 제안할 수 있는 기존의 많은 AI 시스템과는 극명한 대조를 이룹니다. '프리미티브' 접근 방식은 데이터가 실제로 포함하고 있는 내용에 근거하며, 이는 의사결정을 위한 더 안전한 도구가 됩니다.

동일한 논리가 뇌에도 적용되었습니다. 빛에 반응하는 뉴로의 관찰을 120만 건 이상 포함하고 있는 앨런 브레인 옵저버토리(Allen Brain Observatory)의 데이터를 사용하여, 연구진은 특정 자극에 반응하는 뉴런을 학습하는 프리미티브를 구축했습니다. 그들은 모델에게 어떤 수준의 자극이 뉴런을 특정 발화 패턴으로 이동시킬 수 있는지 물을 수 있었습니다. 이는 이 방법이 인간 전체나 전체 인구뿐만 아니라, 생물학의 가장 작은 단위에서도 작동한다는 것을 보여주었습니다. 뉴런, 환자, 그리고 도시는 모두 입력에 반응하는 시스템으로 취급되며, 모델은 그러한 반응의 지도를 학습합니다.

저자는 이것이 최종적인 처방이 아니라 탐구의 방법론임을 주의 깊게 명시합니다. 결과는 새로운 임상 시험을 수행한 것이 아니라 과거의 데이터를 되돌아보는 데서 나온 것입니다. 모델은 과거의 행동을 바탕으로 시스템을 목표로 이동시키는 개입 수준을 식별하지만, 그러한 개입이 새로운 실제 환경에서 작동할 것임을 증명하는 것은 아닙니다. 이것은 가능성을 좁히고 가장 유망한 경로를 찾는 방법입니다. 연구는 AI를 역방향으로 질문할 수 있는 생물학적 프리미티브로 취급함으로써, 과학자들이 단순한 예측을 넘어설 수 있다고 주장합니다. 단순히 무엇이 일어날지 묻는 대신, 데이터가 뒷받침하는 레버를 준수한다면 무엇을 일어나게 하기 위해 어떤 수준의 행동이 필요한지를 물을 수 있습니다. 미래를 추측하는 것에서 현재를 타겟팅하는 것으로의 이러한 전환은 의학과 공중 보건에서 인공지능을 사용하는 더욱 근거 있고 실용적인 방법을 제공합니다.